技术特征：
1.一种活体检测模型的训练方法，包括：获取携带人脸的训练样本图像，并将所述训练样本图像输入活体检测模型中，由所述活体检测模型获取所述训练样本图像的多个尺度的目标特征图；从每个尺度的所述目标特征图中提取候选特征，并对所述候选特征进行特征融合，获取目标融合特征；基于所述目标融合特征，确定所述活体检测模型的分类损失函数；根据所述分类损失函数对所述活体检测模型的参数进行调整，并继续使用下一个训练样本图像对调整模型参数的所述活体检测模型进行训练，直至训练结束生成目标活体检测模型。2.根据权利要求1所述的方法，其中，所述由所述活体检测模型获取多个尺度的目标特征图，包括：由所述活体检测模型的多个特征提取层逐层提取所述训练样本图像的深度特征图；对每个所述特征提取层输出的所述深度特征图进行池化，获取每个所述深度特征图对应的所述目标特征图，其中，每个所述目标特征图之间的尺度不同。3.根据权利要求2所述的方法，其中，所述从每个尺度的所述目标特征图中提取候选特征，包括：提取每个所述目标特征图中响应最强的特征，并将所述响应最强的特征确定为所述候选特征。4.根据权利要求3所述的方法，其中，所述提取每个所述目标特征图中响应最强的特征，包括：获取所述每个所述目标特征图的特征值，并将所述特征值最大的特征确定为所述响应最强的特征。5.根据权利要求4所述的方法，其中，所述对所述候选特征进行特征融合，获取目标融合特征，包括：获取每个所述候选特征对应的相同维度的目标特征；获取每个所述目标特征的权重，并基于每个所述目标特征的权重进行加权，获取全部的所述目标特征的所述目标融合特征。6.根据权利要求4所述的方法，其中，所述获取每个所述候选特征对应的相同维度的目标特征，包括：对每个所述候选特征的元素进行拉伸，并基于所述拉伸后的所述元素生成所述每个候选特征对应的所述目标特征。7.根据权利要求6所述的方法，其中，所述基于所述目标融合特征，确定所述活体检测模型的分类损失函数，包括：根据所述目标融合特征，确定所述训练样本图像的目标分类标签；基于所述目标分类标签与参考分类标签，确定所述活体检测模型当前轮次训练的分类损失函数。8.根据权利要求1所述的方法，其中，所述训练样本为图像采集设备采集到的源图像。9.一种活体检测模型的训练装置，包括：获取模块，用于获取携带人脸的训练样本图像，并将所述训练样本图像输入活体检测
模型中，由所述活体检测模型获取所述训练样本图像的多个尺度的目标特征图；融合模块，用于从每个尺度的所述目标特征图中提取候选特征，并对所述候选特征进行特征融合，获取目标融合特征；生成模块，用于基于所述目标融合特征，确定所述活体检测模型的分类损失函数；调整模块，用于根据所述分类损失函数对所述活体检测模型的参数进行调整，并继续使用下一个训练样本图像对调整模型参数的所述活体检测模型进行训练，直至训练结束生成目标活体检测模型。10.根据权利要求9所述的装置，其中，所述获取模块，还用于：由所述活体检测模型的多个特征提取层逐层提取所述训练样本图像的深度特征图；对每个所述特征提取层输出的所述深度特征图进行池化，获取每个所述深度特征图对应的所述目标特征图，其中，每个所述目标特征图之间的尺度不同。11.根据权利要求10所述的装置，其中，所述获取模块，还用于：提取每个所述目标特征图中响应最强的特征，并将所述响应最强的特征确定为所述候选特征。12.根据权利要求11所述的装置，其中，所述获取模块，还用于：获取所述每个所述目标特征图的特征值，并将所述特征值最大的特征确定为所述响应最强的特征。13.根据权利要求12所述的装置，其中，所述融合模块，还用于：获取每个所述候选特征对应的相同维度的目标特征；获取每个所述目标特征的权重，并基于每个所述目标特征的权重进行加权，获取全部的所述目标特征的所述目标融合特征。14.根据权利要求12所述的装置，其中，所述融合模块，还用于：对每个所述候选特征的元素进行拉伸，并基于所述拉伸后的所述元素生成所述每个候选特征对应的所述目标特征。15.根据权利要求14所述的装置，其中，所述调整模块，还用于：根据所述目标融合特征，确定所述训练样本图像的目标分类标签；基于所述目标分类标签与参考分类标签，确定所述活体检测模型当前轮次训练的分类损失函数。16.根据权利要求9所述的装置，其中，所述训练样本为图像采集设备采集到的源图像。17.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1－8中任一项所述的方法。18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1－8中任一项所述的方法。19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1－8中任一项所述的方法。
技术总结
本公开提出了一种活体检测模型的训练方法，涉及计算机视觉和深度学习等人工智能领域，适用于人脸识别和活体检测场景，包括获取携带人脸的训练样本图像，并将训练样本图像输入活体检测模型中，由活体检测模型获取训练样本图像的多个尺度的目标特征图；将从每个尺度的目标特征图中提取候选特征进行特征融合，获取目标融合特征；基于目标融合特征，确定活体检测模型的分类损失函数；根据分类损失函数对活体检测模型的参数进行调整，并继续使用下一个训练样本图像对调整参数后的模型进行训练，直至训练结束生成目标活体检测模型。本公开中，样本图像不同位置的特征得到了有效利用，提升了模型的运算效率以及准确性，实现了模型的有效优化。的有效优化。的有效优化。
技术研发人员：黄泽斌 冯浩城 岳海潇 陆杰
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2021.08.03
技术公布日：2021/11/28